
【GitHub 4.2万☆】最速・最軽量のAIエージェント基盤「OpenHuman」が革新的な理由——$10のVPSで500エージェントが動く仕組み
HermesAgentの良い活用方法ないかなーと海外コミュニティを久し振りに覗いたら、OpenHuman一色の話題になっていて。
詳しく調べたらRustに書き換わって、かなり生まれ変わってました。
正直、わたしも組み込み式ヘッドレスの使い方を真似したい。
ちょうどOpencodeにDeepseekV4.1Flash来ているので、環境を少し変えてみようかな?
先にPR コメント
転職サイトGreen様の掲載にご協力させて頂いています。
IT/Web業界の求人・中途採用情報に強い転職サイトGreen(グリーン)
GreenはIT業界最大級の転職サービス。エンジニア・デザイナー等のIT職から営業・管理部門まで幅広い職種を掲載。
IT・Web系を中心に、フルリモート可能な求人も掲載されております。
覗きに行くだけでも、ぜひ。
いま、オープンソースのAIエージェント界隈で猛烈な注目を集めているプロジェクトがあります。
それが「OpenHuman」。
今年5月に記事にしたやつです。
ローンチ直後からGitHubのトレンディング1位を9日連続で獲得し、スター数はすでに4.2万を突破。「個人向けデスクトップアプリ」でありながら「開発者向けの超軽量Rustライブラリ」という極めてユニークな立ち位置を掲げています。
"A desktop app for people. A Rust library for developers."
(人間向けのデスクトップアプリであり、開発者のためのRustライブラリ)
これまでのAIエージェントフレームワークといえば、「エージェントを1体立ち上げるだけでDockerやNode/Pythonプロセスがメモリをガッツリ食い、APIコストも跳ね上がる……」という悩みが付き物でした。
OpenHumanはその常識を覆し、「月額$10のショボいVPS上で、500体以上のエージェントを1プロセス内で同時に動かせる」と謳っています。
今回は、公開されたベンチマークや内部アーキテクチャ資料をもとに、OpenHumanがなぜこれほど速く、安く、スケールするのか、その全貌を徹底解剖します。
1. 既存のエージェントハーネスが抱える「破綻の危機」
AutoGPTやLangChainに始まり、最近のClaude CodeやOpenClawに至るまで、エージェントを実行する基盤(ハーネス)は進化を続けてきました。しかし、本格的に複数エージェントを常時稼働(フリート化)させようとすると、次の壁にぶつかります。
プロセスが重量級すぎる
エージェントごとに独立したOSプロセスやランタイムを起動するため、数十体動かすだけでGB単位のメモリを浪費する。トークンとコンテキストの無駄遣い
ターンのたびに長大なシステムプロンプトや全ツールの定義、過去のログをそのまま再送するため、LLMのコストと遅延が雪だるま式に増える。コールドスタートが遅い
ちょっとしたタスクをトリガーするだけで数秒〜十数秒の起動時間がかかる。
OpenHumanの開発チーム(TinyHumans AI)は、「AIが読むテキスト量」「ツールの選び方」「モジュールのロード方法」「マシンリソース」のすべてをゼロからRustで再設計することで、この問題に終止符を打とうとしています。
2. 数字で見る異次元のパフォーマンス
公開ベンチマーク(SWE-bench 10タスク、同一モデル `deepseek-v4.1-flash`・同一コンテナ環境で計測)の数値が、OpenHumanの軽量さを端的に物語っています。
指標 | OpenHuman | Claude Code | OpenClaw | Hermes
タスク完了時間 (p50) | 19.8秒 (最速) | 37.8秒 | 1分02秒 | 58.5秒
消費トークン/タスク | 166.6k (最少) | 427.5k | 442.4k | 481.7k
ピークメモリ | 68 MB (最少) | 231 MB | 1.57 GB | 816 MB
解決タスクあたりコスト | $0.0077 (最安) | $0.04 | $0.01 | $0.0082
コールドスタート | 0.1秒 | 0.26秒 | 5.54秒 | 10.0秒
7ツール中の比較において、実行速度は約2.3倍速く、メモリ使用量は中央値の7.7分の1、トークン消費量は2.6分の1に圧縮されています。
「エージェントハーネスをアニメ風に説明するHTMLを作ってブラウザで開いて」という同一プロンプトのテストでは、他社ツールが9分以上・37kトークン・$0.0082かかったのに対し、OpenHumanはわずか20秒・15kトークン・$0.0054で完遂したとのことです。
3. なぜ速くて安いのか? 6つの技術的革新
OpenHumanの圧倒的な効率は、以下の「6つのイノベーション」によって支えられています。
┌─────────────────────────────────────────────────────────────┐
│ 6つのコア技術 │
├──────────────────────────────┬──────────────────────────────┤
│ 1. RLMトークン圧縮 (arXiv) │ 2. 超高速ツール探索「Jev」 │
│ 3. 統合Rustバス (D-Bus着想) │ 4. 引用付き高精度メモリ │
│ 5. スクショ不要のPC操作 │ 6. 単一プロセスのRustコア │
└──────────────────────────────┴──────────────────────────────┘① RLM(Recursive Language Models)トークン圧縮
巨大なツール実行ログや検索結果をそのままLLMに食わせるのではなく、モデルが読む前に構造的に圧縮(arXiv:2512.24601)。超巨大な出力に対しては「中身をそのまま渡す」のではなく「検索可能なハンドル(参照パス)」を渡すことで、トークン消費を激減させます。
② 高速ツール探索モデル「Jev」
OpenHumanには1,200個以上のツールが存在します。
これらをすべてプロンプトに載せるとプロンプトが肥大化するため、小型モデル「Jev」が約150msでユーザーの指示に合うツールをピンポイント抽出します。上位候補への正解含有率は86.8%(単純なキーワード検索の70.5%を大きく上回る精度)です。
③ 統合Rustバス(Native Module Bus)
LinuxのD-Busにインスパイアされた仕組みで、音声・検索・ドキュメント解析などの機能がすべて単一のRustバスに繋がっています。必要な時だけ`cdylib`として同一プロセスに動的ロードされるため、余計な常駐メモリを消費せず、1つのモジュールがクラッシュしても全体は巻き込まれません。
④ 毎ターン引用付きで想起する「深いメモリ」
チャット履歴を漫然と保持するのではなく、毎ターン前に「現在の文脈に必要な記憶」だけをトークン予算内でピンポイント検索し、出典引用付きでプロンプトにインジェクトします。
⑤ スクリーンショット不要のブラウザ・デスクトップ操作
従来の「画面キャプチャをマルチモーダルモデルに投げて座標をクリックさせる」重厚なアプローチを排除。JevがOSのアクセシビリティツリーやDOM要素からクリック対象を特定するため、低遅延かつ安価に動きます。※決済などの不可逆アクションの前には必ずユーザー承認を挟む安全設計。
⑥ プログラマブルなRustコア & KVキャッシュ安定化
ハーネス全体がコンパイル済み単一Rustバイナリ。
特筆すべきはプロンプトキャッシング(KV-cache)への執念です。
システムプロンプトは初回ターンでのみビルドし、2ターン目以降は1バイトの狂いもなく完全凍結して再利用
ツールブロックを先頭に配置し、履歴は厳格にappend-only
これにより、LLMバックエンド側のプレフィックスキャッシュヒット率を極限まで高め、TTFT(最初のトークンが出るまでの時間)とコストを削り落としています。
4. 1プロセスに500エージェントが同居する「フリート性能」
個人的に最も驚かされたのが、「フリート(群)」としてのスケーラビリティです。
通常、500体のエージェントを動かそうとすれば、コンテナオーケストレーションを組んで数十GBのRAMを用意する必要があります。しかし、OpenHumanは1プロセス内に数千体のコンテキストを相乗りさせます。
実測値(macOS / アイドル〜稼働)
50体同時: 限界メモリ 約 1.98 MiB / 体
100体同時: 限界メモリ 約 1.86 MiB / 体
500体同時: 限界メモリ 約 1.77 MiB / 体(常駐Settled RSS: 約1.39 GB)
アイドル時CPU: 50体でも500体でもほぼ横ばい(10秒あたり約3ms)
エージェント数を増やしても、1体あたりの限界コストが増加しません。
ターンを実行していない待機中のエージェントはCPUサイクルを消費しないため、「2コア / 2GB RAMの月額$10 VPS」でも500体を余裕でホストできるという計算が成り立ちます。
5. 開発者向け:Rustライブラリとして組み込む
OpenHumanはGUIのデスクトップアプリ(Tauri v2 + React)としても使えますが、真価を発揮するのはヘッドレスな組み込みライブラリとして使うときです。
外部のPythonデーモンやDocker sidecarを立てる必要はなく、Cargoプロジェクトに依存関係を追加するだけで、Rustの関数から直接エージェントを呼び出せます。
use openhuman_embed::{Access, Harness, Provider, Workspace};
#[tokio::main]
async fn main() -> Result<(), Box<dyn std::error::Error>> {
// 1エージェントを瞬時にビルド
let agent = Harness::builder()
.provider(
Provider::openai_compatible("https://api.openai.com/v1", "sk-...")
.model("gpt-5")
)
.workspace(Workspace::Ephemeral)
.access(Access::readonly()) // 読み取り専用サンドボックス
.build()
.await?;
// エージェントの実行
let reply = agent.run("このディレクトリ内のファイルを要約して").await?;
println!("{}", reply.reply);
Ok(())
}さらに、マルチエージェントオーケストレーションを行いたい場合は `Runtime::builder()` で基盤ランタイムを1つ立ち上げ、その配下に異なる権限・モデル・ツールセットを持った複数の `agent` を軽量にフォーク生成していく設計になっています。
6. 他のツールとの比較まとめ
ユーザー目線で主要なエージェントツールと機能を比較すると、以下のようになります。
機能 | Claude Code | OpenClaw | Hermes Agent | OpenHuman
ライセンス | プロプライエタリ | MIT | MIT | GPL-3.0
フリート稼働 | 1体/プロセス | 1体/プロセス | 1体/プロセス | $10 VPSで500体
組み込み利用 | CLI wrapper | 不可 | Python pkg | 型付きRust API
外部連携 | MCP | 自前構築 | 自前構築 | 119 OAuth + MCP
チャネル | なし (CLIのみ) | 多数 | 少数 | 14種 (LINE/Discord/メール等)
UI | ターミナル | Web/CLI | Web/CLI | デスクトップアプリ + TUI
「1人の人間がターミナルでコーディング作業を1体のアシスタントと行う」だけならClaude Codeなども非常に洗練されています。
しかし「自社サービスの中に何百もの自律エージェントを組み込み、バックグラウンドで並行稼働させたい」「超低リソースのサーバーで安く回したい」という用途において、OpenHumanは現時点で唯一無二の選択肢になりつつあります。
7. インストールと始め方
デスクトップ版(macOS, Windows, Linux)はリポジトリのReleaseからダウンロードできるほか、ターミナルからワンライナーでインストール可能です。
# macOS / Linux の場合
curl -fsSL https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.sh | bash
# Windows (PowerShell) の場合
irm https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.ps1 | iex開発・ローカルビルドの要件
ソースコードからビルドする場合は、以下が必要です。
Node.js 24+ / pnpm 10+
Rust 1.96.1+
CMake, Ninja, ripgrep
git clone https://github.com/tinyhumansai/openhuman.git
cd openhuman
git submodule update --init --recursive
pnpm install
# デスクトップアプリの起動
pnpm dev:appまとめ:AIエージェントは「OSネイティブ」の時代へ
OpenHumanに触れて感じるのは、「AIエージェントスタックの低レイヤー化」。
これまでのエージェント開発は「Pythonでスクリプトを組み、LangChainやLlamaIndexのような高レベルな抽象化レイヤーを重ねる」のが主流でした。
しかし、実運用で数千回・数万回のループを回し始めると、プロセスの重さやトークンの浪費が致命的なボトルネックになります。
OpenHumanはLinuxのシステムバスやD-Busの思想を取り入れ、Rustによる厳密なメモリ管理とプロンプトキャッシュ最適化を施すことで、「エージェントハーネスはOSのシステムデーモンのように極限まで軽くあるべきだ」という一つの明確な回答を提示しています。
現在はまだ「Early Beta」であり、荒削りな部分や破壊的変更も予想されます(公式も「AGIではない」と明言しています)。
それでも、この圧倒的なパフォーマンスと設計思想は、今後のAIエージェントインフラのスタンダードを塗り替える可能性を十分に秘めています。
気になった方は、ぜひGitHubスターを付けて動向をチェックしてみてはいかがでしょうか。
参考リンク
GitHub: tinyhumansai/openhuman
ベンチマーク詳細: openhuman-benchmarks
ドキュメント: OpenHuman GitBook
RLM論文: arXiv:2512.24601
報告書はこれです。